基于支持向量機(jī)的地形背景場(chǎng)適配誤配區(qū)自動(dòng)識(shí)別

基于支持向量機(jī)的地形背景場(chǎng)適配誤配區(qū)自動(dòng)識(shí)別

1水下地形匹配導(dǎo)航作為解決累積誤差的一部分，聯(lián)合導(dǎo)航系統(tǒng)（in—iii）可以支持水下潛水員的導(dǎo)航定位。水下地形匹配導(dǎo)航在海床地形特征豐富區(qū),通過實(shí)測(cè)地形與背景地形匹配,可以為潛器提供高精度的實(shí)時(shí)位置,但在水下地形特征變化較為平緩的區(qū)域,該方法常出現(xiàn)誤配現(xiàn)象,導(dǎo)致匹配導(dǎo)航結(jié)果可靠性降低。因此,在背景場(chǎng)中選擇一條適配航線進(jìn)行水下地形匹配導(dǎo)航是消除誤配問題、提高導(dǎo)航解精度及可靠性的一條重要途徑,而匹配適配區(qū)的識(shí)別和劃分是實(shí)現(xiàn)適配航線規(guī)劃的重要依據(jù)。水下地形匹配導(dǎo)航精度和可靠性取決于背景場(chǎng)中地形信息的豐富程度。水下地形特征越豐富,匹配算法識(shí)別匹配對(duì)象的能力越強(qiáng),匹配結(jié)果越可靠。雖然文獻(xiàn)的研究提高了匹配導(dǎo)航的可靠性,但在適配區(qū)識(shí)別和劃分方面還需要改進(jìn),尤其在地形特征變化不是十分明顯的區(qū)域;此外,水下地形匹配導(dǎo)航精度還與水下地形測(cè)量精度密切相關(guān)。當(dāng)水下地形測(cè)量精度較低時(shí),即使在水下地形特征信息豐富地區(qū),也易出現(xiàn)誤匹配問題。為此,本文以沿等值線最近點(diǎn)迭代匹配算法(ICCP,IterativeClosestContourPoint)為匹配算法,綜合考慮水下地形特征變化和測(cè)量精度對(duì)水下地形匹配導(dǎo)航的影響,借助支持向量機(jī)(SVM,SupportVectorMachine),通過構(gòu)建匹配結(jié)果與地形信息和地形測(cè)量精度間的關(guān)系,實(shí)現(xiàn)水下地形匹配導(dǎo)航背景場(chǎng)中適配區(qū)的劃分。2原則和方法2.1水下地形特征參數(shù)在水下地形匹配過程中,匹配算法在判斷最優(yōu)匹配位置時(shí),通過使用候選地形序列和目標(biāo)地形序列的距離平方和來判讀兩者的相似性。然而,由于地形背景場(chǎng)中存在相似地形,實(shí)測(cè)的地形值在測(cè)量噪聲的影響下可能表現(xiàn)為與相似地形而非真實(shí)地形更接近,從而令匹配算法錯(cuò)誤的將相似地形對(duì)應(yīng)的位置作為正確的匹配位置,產(chǎn)生誤匹配的現(xiàn)象。顯然,誤匹配的產(chǎn)生與背景場(chǎng)中的地形特征密切相關(guān),地形相似性越強(qiáng),則誤匹配出現(xiàn)的可能性越大。由分析可知,背景場(chǎng)海床地形特征參數(shù)是影響匹配精度的重要因素之一。根據(jù)圖像處理理論,水下地形特征統(tǒng)計(jì)參量可借助背景場(chǎng)均值E(m,n)、地形方差σt2(m,n)、X和Y方向粗糙度Rx(m,n)和Ry(m,n)、X和Y方向背景場(chǎng)地形坡度Sx(m,n)和Sy(m,n)、坡度方差σs2(m,n)和信息熵G等描述。地形方差、坡度方差、粗糙度、信息熵越大,則地形特征信息越豐富,越有利于實(shí)現(xiàn)水下精確匹配導(dǎo)航。為實(shí)現(xiàn)適配/誤配區(qū)劃分,本文采用上述八個(gè)統(tǒng)計(jì)參量綜合描述水下地形特征信息變化。2.2svm分類原理水下地形匹配精度和可靠性與背景場(chǎng)中地形特征存在著內(nèi)在聯(lián)系,同時(shí)受到水下測(cè)量噪聲影響。基于提高水下地形匹配導(dǎo)航精度和可靠性目的,研究三者之間的關(guān)系是在特定水下測(cè)量噪聲環(huán)境中進(jìn)行水下適配/誤配區(qū)識(shí)別的有效手段。誤匹配產(chǎn)生機(jī)制十分復(fù)雜,其與背景地形特征和水下測(cè)量噪聲之間的關(guān)系較難用數(shù)學(xué)分析方法準(zhǔn)確建模和描述。而支持向量機(jī)(SVM)作為一種非線性模式識(shí)別和擬合工具,很適合處理本文所涉及的這類環(huán)境信息復(fù)雜,推理規(guī)則不明確且樣本有限的問題。SVM所使用的分類判別函數(shù)為:式中,sgn()為符號(hào)函數(shù),是將輸入向量投影到高維空間的關(guān)鍵部分,其中xi和yi為學(xué)習(xí)樣本,而ai和b則是決定目標(biāo)分類超平面的相關(guān)系數(shù)。K(x,xi)為核函數(shù)。SVM通過將樣本集使用核函數(shù)映射到特征空間來確定最優(yōu)分類超平面,此時(shí)所求的最優(yōu)化問題為:式中,y為樣本目標(biāo)值;‖w2‖為結(jié)構(gòu)風(fēng)險(xiǎn),代表模型的復(fù)雜程度;為經(jīng)驗(yàn)風(fēng)險(xiǎn),代表模型的誤差,其中c為懲罰參數(shù)。2.3cv方法原理對(duì)背景場(chǎng)中匹配算法進(jìn)行誤差擬合和預(yù)測(cè)的過程中,構(gòu)建穩(wěn)定可靠的模型是提高擬合及預(yù)測(cè)精度的關(guān)鍵。在回歸建模的過程中,為了得到可靠穩(wěn)定的模型,常常使用交叉驗(yàn)證方法來對(duì)建模樣本進(jìn)行處理。K-CV(K-foldCrossValidation)方法是一種常用的交叉驗(yàn)證方法,該方法將原始數(shù)據(jù)分成K組(一般為均分),將每個(gè)子集數(shù)據(jù)分別做一次驗(yàn)證集,其余K-1組子集數(shù)據(jù)作為訓(xùn)練集,這樣會(huì)得到K個(gè)模型,用這K個(gè)模型最終的驗(yàn)證集的分類準(zhǔn)確率的平均數(shù)作為此K-CV下分類器的性能指標(biāo)。K一般大于等于2,從3開始取,只有在原始數(shù)據(jù)集合數(shù)據(jù)量小的時(shí)候才嘗試取2。K-CV可以有效地避免過學(xué)習(xí)以及欠學(xué)習(xí)狀態(tài)的發(fā)生。在水下地形適配區(qū)的劃分過程中,通過使用K-CV方法對(duì)學(xué)習(xí)樣本進(jìn)行交叉驗(yàn)證,從而在現(xiàn)有學(xué)習(xí)樣本的基礎(chǔ)上實(shí)現(xiàn)所構(gòu)建SVM模型的最優(yōu)化。3水下地形帶匹配/誤配區(qū)劃分針對(duì)特定水下地形區(qū)域,將使用算法抵抗測(cè)量誤差的能力來衡量該區(qū)域的適配性。具體而言,就是在使用該區(qū)域內(nèi)特征航跡進(jìn)行匹配時(shí),不斷增加航跡中的測(cè)量噪聲,直到算法結(jié)果出現(xiàn)誤匹配為止。此時(shí),記錄算法所能抵抗測(cè)量噪聲的最大值,以此作為衡量該區(qū)域適配性的指標(biāo)。該指標(biāo)越大,則算法在該區(qū)域進(jìn)行匹配導(dǎo)航時(shí)越不容易出現(xiàn)誤匹配,因此該區(qū)域的適配性越強(qiáng)?；谏鲜隼碚撗芯亢头治?下面給出基于SVM的水下地形適配/誤配區(qū)劃分方法。該方法借助特定地形統(tǒng)計(jì)參量和相關(guān)區(qū)域內(nèi)的抵抗測(cè)量噪聲的能力指標(biāo),通過使用SVM來學(xué)習(xí)兩者之間的內(nèi)在聯(lián)系,形成二者的映射機(jī)制。然后將新的水下地形背景場(chǎng)中各子區(qū)的地形統(tǒng)計(jì)參量作為輸入量,借助訓(xùn)練好的SVM進(jìn)行預(yù)測(cè),從而得到各子區(qū)的適配性信息,實(shí)現(xiàn)背景場(chǎng)中適配/誤配區(qū)的劃分。整個(gè)算法的具體過程如下:1)對(duì)特定水下地形區(qū)域計(jì)算其如上所述的8個(gè)地形統(tǒng)計(jì)參量,并對(duì)這些統(tǒng)計(jì)參量進(jìn)行顯著性分析,提取出顯著性較強(qiáng)的統(tǒng)計(jì)參量;再對(duì)這些顯著性較強(qiáng)的統(tǒng)計(jì)參量進(jìn)行主成分分析,形成新的獨(dú)立統(tǒng)計(jì)參量。2)使用ICCP匹配算法,在特定水下地形區(qū)域中開展匹配定位試驗(yàn),通過不斷增加匹配航跡數(shù)據(jù)中的測(cè)量誤差,來探測(cè)在該區(qū)域特定的水下地形環(huán)境中,匹配算法對(duì)測(cè)量噪聲的抵抗能力,并以之作為該區(qū)域的適配性指標(biāo)。3)將1)中的獨(dú)立統(tǒng)計(jì)參量作為輸入數(shù)據(jù),將2)中的適配性指標(biāo)值作為目標(biāo)數(shù)據(jù),使用SVM進(jìn)行擬合。4)將整個(gè)地形背景場(chǎng)劃分為若干個(gè)子區(qū),對(duì)于每個(gè)子區(qū),采用類似1)中做法,依次計(jì)算其8個(gè)地形統(tǒng)計(jì)參量中的顯著性參量及其主成分,最終獲得獨(dú)立統(tǒng)計(jì)參量,并輸入到3)中擬合好的SVM中,利用SVM對(duì)該子區(qū)的適配性進(jìn)行預(yù)測(cè)。5)根據(jù)4)中獲得的背景場(chǎng)中各子區(qū)的適配性預(yù)測(cè)結(jié)果,對(duì)整個(gè)背景場(chǎng)進(jìn)行適配/誤配區(qū)域劃分。4svm用于在適當(dāng)?shù)膮^(qū)域劃分過程中配置數(shù)據(jù)處理和參數(shù)設(shè)置4.1子區(qū)大小以及與iccp匹配精度的試驗(yàn)研究表明,SVM的訓(xùn)練需要的地形特征參量源于特定的識(shí)別子區(qū)。地形統(tǒng)計(jì)參量由子區(qū)內(nèi)水深計(jì)算獲得,子區(qū)越小,計(jì)算所得參量表征地形變化的能力越強(qiáng),訓(xùn)練所得SVM描述的地形特征與匹配誤差之間的非線性關(guān)系越準(zhǔn)確;反之,SVM的性能和預(yù)測(cè)能力將隨之降低。此外,子區(qū)大小還受ICCP算法影響,子區(qū)域選擇過小,ICCP匹配算法所使用的地形信息太少,將導(dǎo)致匹配算法不能達(dá)到正常的匹配性能。為此,本文開展了子區(qū)大小與ICCP匹配精度的試驗(yàn)(表1)。表1表明,擬合預(yù)測(cè)精度隨著子區(qū)范圍的減小而提高,而當(dāng)子區(qū)域繼續(xù)減小時(shí),ICCP匹配精度顯著降低,不能代表其正常匹配性能。因此,合適的子區(qū)大小應(yīng)該是確保匹配算法精度和可靠性前提下的最小范圍,由此進(jìn)行非線性擬合才能正確地反映實(shí)際,也才能確保所構(gòu)建SVM的可靠性以及匹配誤差的正確預(yù)測(cè)。ICCP匹配算法的精度可借助相鄰兩次迭代匹配解的差值滿足限差條件以及實(shí)測(cè)地形與背景地形互差的均方根滿足限差條件來衡量。就本文的實(shí)驗(yàn)結(jié)果而言,當(dāng)子區(qū)大小為300m×300m時(shí),所構(gòu)建的SVM擬合預(yù)測(cè)精度最高(表1)。4.2與線性或非線性擬合效果比較核函數(shù)對(duì)SVM非線性擬合效果有較大影響,需結(jié)合試驗(yàn)選擇最適合的核函數(shù)。表2給出了不同核函數(shù)下的擬合效果,其中擬合誤差為將學(xué)習(xí)樣本的地形統(tǒng)計(jì)參量代入模型中計(jì)算所得的適配性結(jié)果與學(xué)習(xí)樣本的適配性之間的偏差程度?？梢钥闯霾煌撕瘮?shù)擬合效果差異較大,Radialbasis核函數(shù)擬合效果最優(yōu)。與線性擬合不同,在非線性擬合當(dāng)中,相關(guān)系數(shù)R通常不一定能完全反應(yīng)擬合效果的優(yōu)劣,但仍然可以作為一種參考指標(biāo),在一定程度上評(píng)價(jià)擬合質(zhì)量的好壞。就本文情況而言,R大體與擬合誤差變化趨勢(shì)相對(duì)應(yīng),故也可作為一種補(bǔ)充的評(píng)價(jià)標(biāo)準(zhǔn)來衡量擬合結(jié)果的優(yōu)劣。4.3svm的pca算法在對(duì)地形統(tǒng)計(jì)參量進(jìn)行主成分分析(PCA,PrincipalComponentAnalysis)后,得到各主成分(PC,PrincipalComponent)的方差信息分布如圖1。圖1中標(biāo)簽1、2、3、4代表前4維PC,5代表其余4維PC的信息總和?？梢钥闯?8個(gè)地形統(tǒng)計(jì)參量之間明顯存在共線性問題,PCA變換后,前4維PC占原始數(shù)據(jù)99%的方差信息,后4維屬于冗余信息,可以剔除。PCA降維后,得到了去相關(guān)的獨(dú)立輸入向量。為驗(yàn)證效果,分別將原始的8個(gè)地形統(tǒng)計(jì)參量和PCA得到的5個(gè)主成分作為輸入向量,對(duì)SVM進(jìn)行訓(xùn)練,所構(gòu)建的網(wǎng)絡(luò)擬合的精度和性能如表3所示。從表3可以看出,基于降維后向量數(shù)據(jù)所得SVM擬合精度高于使用原始地形統(tǒng)計(jì)參量,而且相應(yīng)的回歸參數(shù)也高于后者,表明PCA數(shù)據(jù)提取出了原始數(shù)據(jù)中的主要信息特征,從而使得訓(xùn)練出的SVM具有較高的擬合精度和較好的回歸參數(shù)。4.4不確定參數(shù)和自適應(yīng)識(shí)別通過分析和實(shí)驗(yàn),可以看出在不同核函數(shù)中,Radialbasis核函數(shù)的擬合效果最優(yōu),而對(duì)于使用Radialbasis核函數(shù)來說,核函數(shù)參數(shù)γ對(duì)結(jié)果有直接影響。此外,在使用SVM進(jìn)行分類和非線性擬合的時(shí)候,懲罰參數(shù)c也影響計(jì)算結(jié)果。其中懲罰參數(shù)c決定對(duì)錯(cuò)分類的懲罰,其設(shè)置的值越大,對(duì)于某個(gè)樣本的錯(cuò)誤分類的懲罰越大,而核函數(shù)參數(shù)γ的確定直接關(guān)系到分類器識(shí)別率的高低,因此必須對(duì)二者進(jìn)行適當(dāng)?shù)倪x取。關(guān)于這兩個(gè)參數(shù)的選取,國際上并沒有統(tǒng)一的標(biāo)準(zhǔn),目前常用的方法是在一定的范圍內(nèi)取值,對(duì)于取定的c和γ把訓(xùn)練集作為原始數(shù)據(jù)集利用交叉驗(yàn)證的方法進(jìn)行最優(yōu)參數(shù)的選取。其基本思想是在給定的建模樣本中,拿出大部分樣本進(jìn)行建模型,留小部分樣本用剛建立的模型進(jìn)行檢驗(yàn),并求這小部分樣本的檢驗(yàn)誤差,記錄它們的平方和。這個(gè)過程一直進(jìn)行,直到所有的樣本都被檢驗(yàn)了一次而且僅被檢驗(yàn)一次,通過比較預(yù)報(bào)誤差平方加來進(jìn)行優(yōu)化。具體做法為,將c和γ劃分網(wǎng)格進(jìn)行搜索,將訓(xùn)練數(shù)據(jù)集分為4組進(jìn)行交叉驗(yàn)證。在劃分網(wǎng)格時(shí),首先使用大尺寸的網(wǎng)格來確定最佳參數(shù)c和γ的大致位置。隨后,在其大致位置附近以小尺寸網(wǎng)格進(jìn)行精細(xì)搜索,從而得到最佳的參數(shù)設(shè)置。表4中對(duì)參數(shù)尋優(yōu)前后SVM的擬合結(jié)果精度進(jìn)行了對(duì)比,可以看出優(yōu)化后SVM擬合精度得到了提高。5積極利用svm進(jìn)行匹配試驗(yàn)為驗(yàn)證算法的正確性,以渤海灣某水域多波束測(cè)深數(shù)據(jù)為地形背景場(chǎng),開展誤匹配的識(shí)別和診斷。試驗(yàn)測(cè)量水域面積為3km×7km,最大水深13.15m,最小水深9.62m,水下地形等值線變化如圖2(a)所示。在實(shí)驗(yàn)中,對(duì)背景場(chǎng)數(shù)據(jù)加入標(biāo)準(zhǔn)差為0.1m的白噪聲來模擬載體通過單波束測(cè)深所實(shí)時(shí)測(cè)量的水深值,同時(shí)假設(shè)背景場(chǎng)的地形數(shù)據(jù)中存在的地圖誤差為白噪聲,其方差標(biāo)準(zhǔn)差為0.1m。為構(gòu)建匹配算法性能與測(cè)量誤差、背景場(chǎng)地形特征信息間的相關(guān)性,選擇99個(gè)不同類型的子區(qū),并在每個(gè)子區(qū)中的不同位置沿不同方向選擇匹配航跡,開展基于ICCP的匹配試驗(yàn),通過不斷增加匹配航跡中的測(cè)量噪聲直至發(fā)生誤匹配,得到這些子區(qū)的適配性指標(biāo);分別計(jì)算出這些子區(qū)的8個(gè)地形統(tǒng)計(jì)參量,并形成獨(dú)立參量作為輸入向量,用SVM進(jìn)行訓(xùn)練。將整個(gè)海床地形背景場(chǎng)按照300m×300m劃分成格網(wǎng),每個(gè)格網(wǎng)即為一個(gè)子區(qū);對(duì)每個(gè)子區(qū)計(jì)算其8個(gè)統(tǒng)計(jì)參量,并進(jìn)行PCA分析,獲得獨(dú)立參量;將這些獨(dú)立參量作為輸入?yún)⒘?帶入前面訓(xùn)練好的SVM映射模型中,對(duì)各格網(wǎng)地形適配性進(jìn)行劃分(圖2(b))。圖2中,顏色越深的區(qū)域適配性越強(qiáng)。為了定量評(píng)估基于SVM的預(yù)測(cè)結(jié)果的正確性,對(duì)背景場(chǎng)中每個(gè)格網(wǎng)開展基于ICCP的匹配試驗(yàn),并進(jìn)行適配區(qū)劃分。比較二者,以實(shí)際匹配結(jié)果為參考,擬合結(jié)果的精度和預(yù)測(cè)精度如表5所示。實(shí)驗(yàn)結(jié)果表明,使用SVM進(jìn)行適配區(qū)劃分,預(yù)測(cè)數(shù)據(jù)集的精度達(dá)到0.07m,可以有效地進(jìn)行適配/誤配區(qū)的劃分。由于圖2中的實(shí)測(cè)地形背景場(chǎng)的面積較小,影響了對(duì)算法性能的驗(yàn)證效果。為此,使用Matlab自帶的地形數(shù)據(jù)生成11km×12km的仿真海底地形背景場(chǎng)(圖3(a)),并使用本文所提出的方法進(jìn)行地形適配區(qū)劃分。在劃分結(jié)束后,地形適配性的分布如圖3(b)所示,同時(shí)擬合結(jié)果的精度和相應(yīng)的預(yù)測(cè)精度如表6所示。對(duì)比表5和表6可以看出,基于大面積仿真地圖的劃分精度效果與之前基于實(shí)測(cè)地圖得到的結(jié)果相似,從而驗(yàn)證了算法應(yīng)用于大面積海底地形圖的有效性。此外,在準(zhǔn)備好相關(guān)的地形參量數(shù)據(jù)和適配性標(biāo)簽數(shù)據(jù)等輸入數(shù)據(jù)之后,SVM模型的構(gòu)建效率通常和輸入數(shù)據(jù)的數(shù)量和地形的復(fù)雜程度相關(guān),就本文所選用